Teniendo todo en cuenta

Kurt Scudder, científico especialista en imágenes de FarmCloud, conduce por una hilera de manzanas Fuji en un ATV en el que se ha instalado el equipo de cámaras utilizado para medir cargas frutales en la zona de Columbia Basin, Washington, antes de la cosecha en septiembre. El equipo, desarrollado por Intelligent Fruit Vision, estaba siendo evaluado por FarmCloud, quien espera ofrecerlo como un servicio a los productores en la región del Noroeste del Pacífico. (TJ MULLINAX/Good Fruit Grower)

De lejos, las hileras tras hileras de manzanas rojas maduras en espaldera parecen tan uniformes que es difícil comprender cuán ampliamente puede variar la producción de un árbol a otro.

En los cultivos en hileras, las herramientas que permiten a los productores monitorear los rendimientos han conducido a una envidiable era de gestión de precisión, pero en la industria de los árboles frutales, la recolección manual ha hecho que tal recopilación de datos sea poco práctica, si no imposible.

Introducir esta prometedora tecnología —la cámara y los sistemas informáticos que cuentan meticulosamente las manzanas al ritmo más rápido que permite la potencia de procesamiento— para realmente “ver” la variabilidad del rendimiento a través de todo el huerto y convertirla en información útil.

Es una promesa incumplida por décadas, pero los avances en los sistemas hortícolas, el aprendizaje automático y el procesamiento por computadora han dado como resultado nuevas soluciones que están siendo evaluadas en los huertos, desde sistemas de última generación con procesamiento de datos en tiempo real hasta instantáneas de teléfonos inteligentes para muestreo de huertos.

Si quiere ser uno de los primeros en adoptar esta tecnología, le va a costar. El primer sistema comercial disponible en los EE. UU., Intelligent Fruit Vision, se vende por $40,000 más una cuota de servicio anual de $6,000 por actualizaciones de software y mantenimiento. Diseñado en el Reino Unido, el sistema, llamado FruitVision, utiliza dos cámaras montadas en un quad o tractor para filmar el dosel y contar unas 500,000 manzanas por hora mientras realiza cálculos en tiempo real, produciendo estimaciones de manzanas por árbol e hilera, complementado con clasificaciones de tamaño y un mapa de calor que muestra la variabilidad en la producción de toda la parcela. Es un sistema muy prometedor, pero todavía tiene algunos inconvenientes que resolver, según un agricultor que lo usa.

Otros ingenieros están tomando diferentes enfoques para tratar de encontrar una solución de menor costo, mediante la creación de un software que pueda analizar las imágenes recogidas por un teléfono inteligente o una cámara de video básica, pero esos sistemas están todavía a varios años de llegar a las manos de los productores.

Incluso con los obstáculos tecnológicos, los ingenieros dicen que la tecnología de visión por computadora pronto ofrecerá a los productores opciones para recopilar información sobre la madurez de la fruta, el desarrollo del color y el rendimiento global, y mapas de rendimientos. Pero es poco probable que un sistema haga todas esas cosas bien, explicó el ingeniero Stephen Nuske, quien trabajó en una serie de sistemas de visión para huertos y viñedos en la Universidad Carnegie Mellon. Los datos sobre la evolución del color de las frutas y los mapas de rendimiento relativo son tecnológicamente más fáciles de obtener que el rendimiento general. Eso es porque calcular el tamaño o el peso de la fruta es más difícil y requiere una resolución mucho más precisa que simplemente contar manzanas o racimos de uvas, declaró.

“El área que en mi opinión es la más prometedora es la de los mapas de rendimiento, obtener los datos espaciales. Esa es una brecha técnica, ya que es algo que no existía antes”, indicó Nuske. “Los agricultores gestionan 10 campos de la misma manera, pero si supieran las diferencias y tuvieran herramientas para administrarlos de manera diferente, lo harían”.

Visión por computadora

En el corazón del esfuerzo se encuentra la difícil tarea de enseñar a un programa informático a reconocer manzanas en un árbol, incluso aquellas parcialmente ocultas por las hojas o con diferente color. La mente humana lo sabe hacer tan bien que es fácil dar por sentado la complejidad que enfrenta la computadora.

“La gente subestima la dificultad del problema. Mientras el sol se mueve y las sombras se proyectan, los objetos se ocultan unos a otros, las circunstancias cambian completamente”, afirmó Volkan Isler, profesor de informática de la Universidad de Minnesota, quien está desarrollando un software de estimación de cosecha en colaboración con el productor de manzanas y horticultor Jim Luby y el estudiante de posgrado Patrick Plonski.

El software también tiene que calcular la ubicación de cada pieza de fruta en el espacio, para evitar el conteo doble o el conteo de una manzana que cuelga en la hilera de atrás. Este análisis geométrico requiere la mayor potencia de procesamiento, indicó Isler.

La capacidad de los agricultores para usar este tipo de tecnología también dependerá de los sistemas de aprendizaje automático en sus huertos. “El principio fundamental es que éste tiene que ver la fruta para contarla o medirla”, explicó Luby. “En una pared de fructificación bien administrada, esta tecnología podrá ver casi todas las manzanas. En un sistema de eje central en un M.9 o M.26, es posible que el 40 % no se puedan ver”.

Así que la tecnología necesita “verificación en el terreno”: personas que cuenten un número suficiente de árboles para generar una correlación entre lo que las cámaras pueden detectar y lo que realmente hay allí, afirmó Luby.

Para su sistema, Intelligent Fruit Vision recomienda contar manualmente un mínimo de cinco árboles en la primera fila para enseñarle al programa informático cuántas manzanas no puede ver en el dosel. El programa informático considera después esas manzanas “faltantes” en sus estimaciones.

“No hay un manzano promedio”, afirmó Laurence Dingle, inventor principal del sistema Intelligent Fruit Vision. “Esto está cambiando la forma en que las personas perciben lo que hay en sus huertos”.

Los huertos de Washington

En septiembre, el sistema Intelligent Fruit Vision dio una serie de vueltas, a baja velocidad, alrededor de una parcela de Fuji que tiene un sistema de espaldera en “v” en Columbia Basin y estimó la carga frutal en alrededor de 171 manzanas por árbol, con árboles que tiene desde menos de 75 a más de 200.

“En un dosel moderno en 2-D como este, con manzanas rojas, estamos seguros de que podemos obtener un margen de error del 5 por ciento”, indicó Sam Dingle, administrador comercial de Intelligent Fruit Vision. La compañía es una asociación entre The Technology Research Center y Worldwide Fruit, Ltd., un gran mayorista de fruta con sede en el Reino Unido, y el sistema ha estado en desarrollo durante cerca de cinco años.

El beneficio de FruitVision es que puede ver la variabilidad y las tendencias de un huerto que nosotros no podemos ver y convertirlas en datos que podemos emplear, explicó Hermann Thoennissen, un veterano horticultor que actualmente trabaja como consultor en el centro-sur de Washington. “Todo lo que hacemos en el mundo agrícola hoy en día se hace teniendo en cuenta datos. Cuantos más datos tenga, mejor podrá planificar, ejecutar y controlar sus costos”, manifestó.

Los mapas de rendimiento como los de FruitVision son la pieza que falta en la caja de herramientas de la agricultura de precisión de los productores, aseguró Thoennissen. Esa es la razón por la cual FarmCloud, una empresa de obtención de imágenes y datos agrícolas con sede en Seattle a la que asesora, compró un sistema en septiembre.

La empresa planea ofrecerlo como un servicio a los agricultores para complementar las imágenes aéreas y otras herramientas de mapeo, declaró el CEO de FarmCloud, Dennis Healy. Además de las estimaciones de carga frutal antes de la cosecha, las cuales serán beneficiosas para las ventas, espera que la tecnología ayude a los productores a gestionar los huertos de manera más eficiente y, algún día, incluso a guiar el raleo. “En el futuro, esta tecnología no tendrá el aspecto que tiene en la actualidad. Va a ser algo que podremos poner en plataformas de recolección y poda para recopilar datos continuamente”.

En los próximos años, Intelligent Fruit Vision tiene la intención de refinar aún más sus algoritmos para detectar defectos en la fruta e incluso para estimar la floración y poder orientar el raleo químico, indicó Laurence Dingle. Desde 2017, Intelligent Fruit Vision ha vendido casi una docena de sistemas, principalmente en Europa. Dos estudios independientes de la tecnología, realizados por el Centro de Investigación Moriniere en Francia y The Greenery, la rama de comercialización de una cooperativa de productores holandeses, confirmaron que los resultados son consistentes y bastante precisos.

Sin embargo, tiene limitaciones. A principios de la temporada, cuando la fruta es verde y más difícil de detectar, el sistema no es tan preciso, y no es muy adecuado para las manzanas Granny Smith y las peras verdes.

El productor neoyorquino Rod Farrow también compró un sistema FruitVision este verano y lo utilizó este otoño para recolectar datos sobre la carga frutal en SweetTango, Gala y Honeycrisp. Explicó que han tenido algunos problemas con las funciones del software que miden las frutas, los cuales la compañía está intentando resolver, pero los datos del conteo de fruta se ven bien.

“Para mí, el valor nunca estuvo en el tamaño, sino en el conteo de frutas, porque como agricultor, ahí es donde puedo ganar dinero”, declaró Farrow, añadiendo que la función de medir las frutas definitivamente beneficia las ventas y el marketing. “Estoy muy entusiasmado con su potencial”.

¿Se podría lograr con un teléfono inteligente?

Dado que es costoso llevar una computadora de alta potencia a los huertos, los sistemas de menor costo que están en desarrollo requerirían transferir los datos de imagen para su procesamiento en otro lugar, retrasando algo los resultados.

“Son muchos datos que calcular, así que los productores nos enviarán el video. Es más eficiente hacer el procesamiento en un centro de datos moderno”, indicó Patrick Plonski del equipo de la Universidad de Minnesota. Plonski explicó que el objetivo es construir algoritmos lo suficientemente poderosos como para poder analizar videos de baja calidad provenientes de un teléfono inteligente u otra cámara electrónica de consumo.

Después de experimentos iniciales con un complejo sistema que funciona sobre las hileras y que porta varias cámaras para obtener múltiples vistas del dosel, el profesor de ingeniería de la Universidad Estatal de Washington, Manoj Karkee, también está reduciendo su enfoque a imágenes que podrían ser recolectadas por un teléfono inteligente que tenga dos cámaras delanteras, como algunos modelos nuevos. “La precisión no sería tan alta como el sistema sobre hileras, pero podríamos proporcionar información útil a los productores casi sin costo”, afirmó.

Pero no se trataría solo de tomar una foto. Para el usuario, es más como si estuviese escaneando el dosel para obtener una fotografía panorámica, mientras que el dispositivo recopila múltiples imágenes, explicó Karkee. Las imágenes superpuestas son necesarias para que el software pueda usar esa estereovisión para estimar la distancia y ubicar cada manzana en el espacio tridimensional.

Karkee también está siguiendo una estrategia de muestreo, captando la imagen de una parte del huerto en lugar de cada árbol. “Los productores no podrán escanear cada árbol en su huerto de 20 acres. Podrán escanear unos cuantos miles de árboles y luego hacer estimados para su operación completa mediante la calibración y la extrapolación”, aseguró. La clave para hacer funcionar un sistema de muestreo es asegurarse de que el muestreo se guíe por otras medidas de la variabilidad del huerto —suelos, pendientes, imágenes del dosel— para que los árboles escaneados representen una instantánea precisa del huerto, indicó Karkee.

Intelligent Fruit Vision diseñó su sistema con el escaneo de cada fila en mente, pero, incluso con el sistema automatizado, consumiría mucho tiempo en los inmensos huertos del noroeste del Pacífico. Las velocidades máximas son casi las mismas a las que probablemente uno caminaría para que el procesador de la computadora pueda mantener el ritmo con las imágenes recogidas. Thoennissen y Healy dijeron que quieren probar si escanear cada tercera o cuarta fila podría proporcionar datos suficientes. Más importante aún, quieren trabajar con los productores para descubrir la mejor manera de utilizar los datos que Fruit Vision y otras tecnologías de imágenes emergentes pueden proporcionar.

“El aprendizaje automático llegará. La pregunta es cuánto y cuán pronto podremos integrarlo a nuestros sistemas agrícolas”, afirmó Thoennissen.

Sobre el Autor

Kate Prengaman

Kate Prengaman is an associate editor for Good Fruit Grower, writing articles for the print magazine and website. Contact her at 509-853-3518 or at kate@goodfruit.com

Escribir un comentario